6+ anos
Em dados & analytics
Comecei pela análise e fui migrando para o lado da engenharia: hoje construo as plataformas que sustentam a análise. São mais de seis anos em projetos de alta complexidade para clientes como ABInBev, Ambev, Bitfy e Grupo Stoa — sempre no ponto em que arquitetura de dados, confiabilidade e decisão de negócio se encontram.
Atuo de ponta a ponta: arquitetura Medallion (Bronze, Silver, Gold) no Microsoft Fabric com OneLake, pipelines ELT em dbt e Python organizados em staging, intermediate e mart, modelagem dimensional Star Schema e a camada de consumo em Power BI com DAX e RLS. Cada modelo sobe para produção com teste de qualidade embutido — unicidade, integridade relacional, consistência de valores — e versionado em Git, com CI/CD.
Acredito que dado bom é dado em que se pode confiar: rastreável, testado e documentado. Foi essa base que sustentou a conformidade em auditorias financeiras, derrubou 70% do custo anual de infraestrutura em nuvem e transformou uma conciliação bancária de dias de trabalho manual em minutos de processamento. E é sobre ela que construo IA aplicada: modelo preditivo que nasce do mesmo pipeline, com os mesmos testes.
Liderança técnica da implantação do Microsoft Fabric com OneLake como camada unificada de dados: governança de acesso, políticas de ciclo de vida e integração entre os serviços da plataforma. Projetei e mantenho a arquitetura Medallion — Bronze para ingestão bruta, Silver para limpeza e padronização, Gold para as agregações de consumo — e os modelos semânticos em DAX, com time intelligence (YTD, MoM, médias móveis), alocações ponderadas, medidas condicionais e segurança em nível de linha.
Pipelines ELT de ponta a ponta em dbt e Python, com camadas staging, intermediate e mart no Data Warehouse e testes de qualidade embutidos nos próprios modelos. Estruturei o DataOps do time — todo artefato analítico versionado em Git, do modelo dbt ao schema e à documentação — e liderei a governança de custos em nuvem, com monitoramento por projeto e alerta antes do estouro de orçamento, que cortou 70% da fatura anual de infraestrutura. Clientes atendidos: Bitfy, Grupo Stoa, Damyller, Petinelli, Aporta Capital e Sofistiq.
Transformações em SQL avançado — window functions, CTEs recursivas, tabelas temporárias e data cleansing em larga escala — e rotinas de ETL que consolidavam fontes heterogêneas (bancos relacionais, arquivos planos e APIs) em um Data Warehouse central. O tempo de processamento das cargas caiu e o retrabalho causado por inconsistência na origem foi eliminado.
Modelagem de métricas alinhadas aos KPIs estratégicos e dashboards em Power BI que substituíram relatórios estáticos e viraram a fonte oficial de verdade nas reuniões de decisão. Foi aqui que entrou no meu trabalho a régua que uso até hoje: cada visual precisa responder a uma pergunta de negócio específica.
Implantação do Fabric com OneLake como camada unificada: Bronze para ingestão bruta, Silver para limpeza e enriquecimento, Gold para as agregações prontas para consumo — com governança de acesso e rastreabilidade em cada estágio do pipeline. Os KPIs críticos do negócio passaram a ter uma única fonte da verdade.
Redimensionamento de instâncias subutilizadas, renegociação de contratos com fornecedores e monitoramento automatizado do gasto por projeto e por área, com alerta antes do estouro de orçamento. A economia virou orçamento para inovação e novos projetos de dados.
Rotinas em Python e SQL que cruzam extratos, arquivos de remessa e retorno e planilhas de referência, apontam divergências e emitem o relatório de conferência sozinhas. O que consumia dias de trabalho manual passou a levar minutos, com taxa de acerto acima de 99%.
Camadas staging → intermediate → mart em dbt, com testes de unicidade, integridade relacional e consistência de valores rodando junto da transformação. Todo artefato analítico sob controle de versão e revisão — menos erro em produção e ciclo de entrega mais curto.
Modelo semântico de Power BI em PBIP/TMDL — versionado em texto — cruzando o cenário macro brasileiro (Selic, CDI, IPCA, câmbio) com um screener de ações pagadoras de dividendos. Ingestão defensiva em Power Query, data contracts em YAML e um oráculo em Python testado com pytest espelhando o DAX, tudo rodando em CI a cada push.
Modelo de classificação em Python para identificar os clientes com maior probabilidade de cancelar — do tratamento da base e da engenharia de atributos à avaliação por métricas de performance. O objetivo é direto: fazer a retenção deixar de ser reação e virar ação dirigida.
O dbt operacionalizou o paradigma ELT ao assumir a camada de transformação dentro do data warehouse e trouxe disciplina de engenharia de software para o SQL analítico — controle de versão, testes automatizados, revisão por pares e documentação de linhagem. Organizacionalmente, catalisou o papel de analytics engineer e um modelo colaborativo entre times. Este artigo pesa as evidências: sim, o dbt mudou práticas técnicas e organizacionais de forma material, mas NÃO resolveu os problemas mais difíceis — qualidade e propriedade dos dados persistem como obstáculos. Uma ressalva metodológica atravessa todo o texto: a maior parte dos números de impacto vem da própria fornecedora (dbt Labs), não de pesquisa acadêmica independente.
A arquitetura de medalhão organiza os dados de um lakehouse em camadas Bronze, Silver e Gold, melhorando qualidade e governança a cada estágio. Este guia percorre seus conceitos, as três camadas, um checklist de 12 passos de implementação, a base do Delta Lake e a implementação nativa no Microsoft Fabric — com base na documentação oficial de Databricks, Microsoft e Delta Lake.
O Lakehouse promete unificar data lakes e data warehouses em uma única arquitetura. Este guia técnico percorre seus pilares, compara Databricks, Microsoft Fabric, AWS e Google Cloud, e responde se você deve abandonar suas arquiteturas atuais — com base em papers acadêmicos e documentação oficial dos provedores.